一种鲁棒多组多播波束形成方法与流程

本发明涉及多天线技术领域，尤其是涉及一种鲁棒多组多播波束形成方法。

背景技术：

多天线技术被广泛应用在longtermevolutionadvanced(lte-a)、5g等实际的通信系统中。使用多天线技术的系统可在不增大带宽的前提下大大提高通信速率与通信质量，因而受到学者大量的研究。在一些实际应用场景中，不同用户间接收到的数据是相同的，如群体聊天、网络直播、视频会议等，这种场景下的传播称为多播传输。在多播传播的场景中，若仍使用传统的点对点式的单播技术，会浪费大量的系统资源，导致系统整体吞吐量下降，通信质量也会降低。因而研究多播场景下的高效率传输方案成为目前的研究热点之一。多播在通信系统中可在物理层、链路层及网络层上分别实现。物理层的无线传输方案中信号的传播天然具有广播的特性，基于物理层的多播技术充分利用了这种特性，因而大大节省了基站的时频资源。物理层的多播技术是改善通信质量、提升系统性能的重要手段。

现有的经典鲁棒多组多播波束形成方法需要进行大量的高斯随机化步骤与后续的求解放缩因子步骤而带来的计算复杂度高的问题。

技术实现要素：

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种鲁棒多组多播波束形成方法，该方法鲁棒性能较好，复杂度也较低，适用于实际工程的需要。

本发明的目的可以通过以下技术方案来实现：

一种鲁棒多组多播波束形成方法，该方法首先获得多组多播领域的两个基本场景：保证用户中最小的snr满足给定条件和最大化用户中最小的snr下的鲁棒波束形成问题松弛为凸问题进行求解；

然后利用连续凸逼近方法，将得到的解用来松弛下一次迭代中的非凸问题并迭代求解，通过不断地迭代步骤得到最终逼近原问题的最优解。

优选地，该方法具体包括以下步骤：

步骤(1)在保证用户中最小的snr满足给定条件的鲁棒波束形成场景下，考虑加性信道误差，可求出用户的sinr，并通过分子放缩到最小和分母放大到最大，得到受误差影响后的sinr下界，利用sinr下界，将该场景下的鲁棒波束形成问题进行松弛得到新的问题模型；在最大化用户中最小的snr的鲁棒波束形成场景下，利用复平面上的复数的模值一定大于其实部的大小这一性质，对该鲁棒波束形成问题进行松弛得到新的问题模型。

步骤(2)针对两种多组多播的鲁棒波束形成场景下由松弛得到的新的问题模型，再利用连续凸逼近方法进行求解，得到所需的波束形成权向量。

优选地，所述的步骤(1)具体为：

考虑配备了nt根天线的基站和g个分组中的用户进行通信，每个用户端设备只有单根天线，即通信系统为miso系统；若考虑加性信道误差，则用户i的真实信道为其中为基站端估计的信道信息，ei∈cⁿ为对应的误差，且有则位于第k个分组gk的第i个用户，则其sinr可表示为

其中wk为第k个分组的赋型权系数、hi为用户i的信道，为基站端估计的信道信息，ei为对应的误差，σi为第i个用户基站端信道信息对应误差的范数平方，l为第l个分组，[]^h表示共轭转置，im为单位阵；

通过分子放缩到最小，分母放缩到最大，可得受误差影响后sinr的下界为

其中wk为第k个分组的赋型权系数，wl为第l个分组的赋型权系数σε为基站端信道信息对应误差的范数平方；

结合sinr下界以及复平面上的复数的模值一定大于其实部的大小这一性质，得到松弛后的保证用户中最小的snr满足给定条件和最大化用户中最小的snr两个场景下的鲁棒波束形成问题分别为：

其中，pn为第n个天线的最大功率约束值，r为优化参数变量、为给定的复数权系数、γi为第i个用户的sinr指标、gk为第k个用户分组、nt为天线数；

其中t∈r为优化参数变量、r为实域、re[]为取复数实部。

优选地，所述的步骤(2)针对保证用户中最小的snr满足给定条件的鲁棒波束形成问题，利用连续凸逼近方法的流程如下：

1)给定随机生成的初始可行解给定收敛条件δ，迭代次数i＝0；

2)求解问题获得最优解及最优值εi+1；

3)令迭代次数i＝i+1；

4)重复2)与3)直至εi+1-εi＜δ。

优选地，所述的步骤(2)针对最大化用户中最小的snr的鲁棒波束形成场景的鲁棒波束形成问题，利用连续凸逼近方法的流程如下：

1)给定随机产生的初始可行解给定迭代收敛条件δ1与二分步骤的收敛条件δ2，迭代次数i＝0，设定l＝tmin，u＝tmax；

2)固定求解问题模型；

3)若步骤2的问题无解，则令若步骤2的问题有解，则令重复步骤2直至u-l≤δ2，获得最优解及最优值εi+1，令令迭代次数i＝i+1，重置l＝tmin，u＝tmax；

4)重复步骤2与3直至εi+1-εi＜δ1。

优选地，每次迭代的优化值会不断减小，因而会逐渐收敛。

与现有技术相比，本发明利用连续凸逼近算法无需进行大量的高斯随机化步骤以及求解放缩因子步骤，因而其具有计算较快的优点，与经典鲁棒多组多播波束形成算法相比其更适用于实际工程需要。

附图说明

图1为误差对基站所需发射功率的影响曲线图；

图2为分组内用户个数对基站所需发射功率的影响曲线图；

图3为sinr对基站所需的发射功率的影响曲线图；

图4为仿真时间随分组内用户变化的对比曲线图；

图5为仿真时间随天线数目变化的对比曲线图；

图6为信道误差大小对用户通信速率的影响曲线图；

图7为分组内用户数目对用户通信速率的影响曲线图；

图8为天线功率对用户通信速率的影响曲线图；

图9为仿真时间随分组内用户数变化的对比曲线图；

图10为仿真时间随天线数目变化的对比曲线图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都应属于本发明保护的范围。

下述为针对保证用户中最小的snr满足给定条件问题下的具体实施说明：

考虑基站端配备8根天线，通信场景中存在两个分组，每个分组中有四个用户。信道满足均值为0方差为1的独立高斯分布，基站端接收的高斯白噪声为0db，设定sinr门限为1。图1所示为信道误差大小变化对基站功率的影响，由图1中可以看出，为了在含有误差的情况下维持预先设定的sinr限制，基站端的功率会有一定的升高，且误差越大，功率增高的越大。但相比于rb-qos-sdp算法，无论是20次高斯随机化还是100次高斯随机化，本文提出算法所对应的功率更低，这意味着只需更低的功率，本文所提算法便可维持预先设定的门限值。

考虑基站端配备8根天线，通信场景中存在两个分组。信道满足均值为0方差为1的独立高斯分布，基站端接收的高斯白噪声为0dbw，设定sinr门限为1，误差范数平方的大小为图2所示为分组内用户个数变化对基站功率的影响。由图2可以看出，分组内用户个数增大时，基站需增大发射功率以满足更多用户的通信需求，但本文所提算法所需的功率低于100次高斯随机化或20次高斯随机化的rb-qos-sdp算法。且需注意的是，在仿真过程中若分组内用户个数过大(6个及以上)，由于干扰太过严重，问题无解的概率会大大增大。

考虑基站端配备8根天线，通信场景中存在两个分组，每个分组中有四个用户。信道满足均值为0方差为1的独立高斯分布，基站端接收的高斯白噪声为0db，误差范数平方的大小为图3所示为设定不同sinr，基站端所需功率的变化。由图中可以看出，为满足更高的sinr要求，基站需增大发射功率，但本文所提算法所需的功率低于20次高斯随机化的rb-qos-sdp算法且与100次高斯随机化的效果类似。

由于本章所提出的算法只需迭代步骤，无需进行大量的高斯随机化步骤，因而rb-qos-sca算法具有复杂度较低的优势。图4与图5所示为rb-qos-sdp与本文所提算法在不同的分组内用户个数下与不同天线数目下仿真时间的对比。在该通信场景中存在两个分组，设定高斯白噪声的功率为0db，信道满足均值为0方差为1的独立高斯分布，基站端的信道误差大小为sinr门限值设定为1。图4的仿真场景中，基站端配备8根天线，由图中可以看出，本文所提算法与20次随机化的rb-qos-sdp算法仿真时间相似且远低于100次高斯随机化的rb-qos-sdp算法。图5的仿真场景中每个分组中含有4个用户，由图中也可以看出，本文所提算法的仿真时间远低于100次高斯随机化的rb-qos-sdp算法，与20次高斯随机化的仿真时间类似。因而本文所提算法不仅具有优秀的性能同时也具有复杂度低的优点，更适用于实际的通信系统。

下述为最大化用户中最小的snr的鲁棒波束形成问题下的具体实施说明：

算法停止迭代的条件为εi+1-εi＜0.001，二分步骤停止的条件为u-l<0.001。

考虑基站端配备4根天线，通信场景中存在两个分组，每个分组中有两个用户。信道满足均值为0方差为1的独立高斯分布，基站端接收的高斯白噪声为0dbw，每根天线所能提供的最大功率为0dbw。图6所示为信道误差大小变化对最小用户通信速率的影响。由图中可以看出，随着误差的增大，由于功率是给定的，最小用户的通信速率会有一定减小，且误差越大，通信速率的减小越明显，但考虑了信道误差的本文所提算法相较于20次及100次高斯随机化rb-mmf-sdp算法，用户的通信速率更高。

考虑基站端配备4根天线，通信场景中存在两个分组，每个分组中有若干个用户。设信道满足均值为0方差为1的独立高斯分布，基站端接收的高斯白噪声为0dbw，每根天线所能提供的最大功率为0dbw，基站端信道存在的误差。图7所示为分组内用户个数变化对最小用户通信速率的影响，由图中可以看出，分组内用户个数增大时，基站在相同的发射功率下能满足最小用户通信速率会不断降低，但本文所提算法能提供的最小用户通信速率高于20次及100次高斯随机化步骤的rb-mmf-sdp算法，这说明本文所提算法的性能相比于rb-mmf-sdp算法更优。

考虑基站端配备4根天线，通信场景中存在两个分组，每个分组中有两个用户。设信道满足均值为0方差为1的独立高斯分布，基站端接收的高斯白噪声为0dbw，基站端信道存在的误差。图8所示为单个天线功率限制变化对最小用户通信速率的影响，由图中可以看出，天线所能提供的功率增大时，最小用户的通信速率会不断增大，但本文所提算法所能提供的最小用户通信速率高于20次及100次高斯随机化步骤的rb-mmf-sdp算法，即在不同的天线功率限制下，本文所提算法的效果均更优。

本文所提算法由于没有进行大量的高斯随机化步骤，因而其算法复杂度较低。图9与图10所示为本文所提算法法与rb-mmf-sdp算法的仿真时间随分组内用户数量或天线数目变化的对比。仿真场景中每个分组中有2个用户，信道满足均值为0方差为1的独立高斯分布，基站端接收的高斯白噪声为0dbw，每根天线所能提供的最大功率为0dbw，基站端信道存在的误差。rb-mmf-sdp中高斯随机化次数分别为20次和100次，本文所提算法停止迭代的条件。由图9可以看出，随着分组内用户数的增加，两种算法的计算时间均会不断增加，但本文所提算法计算时间低于100次高斯随机化的rb-mmf-sdp算法，与20次高斯随机化的时间相似。由图10也可以看出天线数目增加会导致优化变量规模增大，因而不同算法的计算时间均会有所增加，但本文所提算法计算时间低于100次高斯随机化的rb-mmf-sdp算法，与20次高斯随机化算法的仿真时间类似。由仿真可见本文所提算法在花费更低的计算时间的情况下，其效果优于rb-mmf-sdp算法。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。